CN108734386A - 加工面质量评价装置 - Google Patents
加工面质量评价装置 Download PDFInfo
- Publication number
- CN108734386A CN108734386A CN201810359186.8A CN201810359186A CN108734386A CN 108734386 A CN108734386 A CN 108734386A CN 201810359186 A CN201810359186 A CN 201810359186A CN 108734386 A CN108734386 A CN 108734386A
- Authority
- CN
- China
- Prior art keywords
- machined surface
- surface quality
- workpiece
- observer
- result
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000013441 quality evaluation Methods 0.000 title claims abstract description 80
- 238000011156 evaluation Methods 0.000 claims abstract description 82
- 238000007689 inspection Methods 0.000 claims abstract description 71
- 238000010801 machine learning Methods 0.000 claims abstract description 35
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012986 modification Methods 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 4
- 230000003746 surface roughness Effects 0.000 claims description 3
- 238000002203 pretreatment Methods 0.000 description 20
- 210000002569 neuron Anatomy 0.000 description 12
- 239000013598 vector Substances 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 238000000034 method Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 235000013399 edible fruits Nutrition 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000003754 machining Methods 0.000 description 3
- 238000001579 optical reflectometry Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012797 qualification Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 241000406668 Loxodonta cyclotis Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000370 laser capture micro-dissection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000012372 quality testing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 231100000241 scar Toxicity 0.000 description 1
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/402—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by control arrangements for positioning, e.g. centring a tool relative to a hole in the workpiece, additional detection means to correct position
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/418—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM]
- G05B19/41875—Total factory control, i.e. centrally controlling a plurality of machines, e.g. direct or distributed numerical control [DNC], flexible manufacturing systems [FMS], integrated manufacturing systems [IMS] or computer integrated manufacturing [CIM] characterised by quality surveillance of production
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B19/00—Programme-control systems
- G05B19/02—Programme-control systems electric
- G05B19/18—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form
- G05B19/408—Numerical control [NC], i.e. automatically operating machines, in particular machine tools, e.g. in a manufacturing environment, so as to execute positioning, movement or co-ordinated operations by means of programme data in numerical form characterised by data handling or data format, e.g. reading, buffering or conversion of data
- G05B19/4083—Adapting programme, configuration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32177—Computer assisted quality surveyance, caq
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/32—Operator till task planning
- G05B2219/32186—Teaching inspection data, pictures and criteria and apply them for inspection
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/37—Measurements
- G05B2219/37206—Inspection of surface
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/30—Nc systems
- G05B2219/50—Machine tool, machine tool null till machine tool work handling
- G05B2219/50177—Protection for operator during operation, machining
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Manufacturing & Machinery (AREA)
- Automation & Control Theory (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Computer Interaction (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- General Factory Administration (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Numerical Control (AREA)
Abstract
本发明提供一种加工面质量评价装置,具有:机器学习装置,其学习与工件的加工面质量的检查结果对应的观察者对该工件的加工面质量的评价结果,该机器学习装置将工件的加工面质量的检查结果作为状态变量来进行观测,取得表示观察者对工件的加工面质量的评价结果的标签数据、将这些状态变量与标签数据关联起来进行学习。
Description
技术领域
本发明涉及加工面质量评价装置,特别是涉及对合格工件的评价指标进行量化的技术。
背景技术
以往进行的是,制作加工程序,根据该加工程序控制机床来对材料进行加工,制作部件和金属模具等工件。像这样制作出的工件的品质评价指标之一是加工面质量。所谓加工面质量表示加工物的形状变化顺滑(加工面的伤痕和条纹不明显,均匀地反射光线)的程度。
已知各种用于提升加工面质量的技术。例如,在日本特开2017-68325号公报中公开了使用机床的振动数据来进行机器学习,由此求出取得了加工面质量与加工时间的平衡的最佳速度分布这样的方法。
如上所述,加工面质量是工件重要的品质评价指标之一。并且,也根据各种指标来评价加工面质量本身。加工面质量的典型评价方法之一是根据能够通过激光显微镜观察的各种评价项目来进行数值评价。例如,表面的算术平均高度(表面粗糙度)Sa是加工面质量的代表性评价项目。其他的数值评价项目还存在表面的最大高度Sv、表面纹理的纵横比Str(surface texture aspect ratio)、峰度Sku(kurtosis)、偏斜度Ssk(skewness)、界面扩展面积比Sdr(developed interfacial area ratio)等。
加工面质量的另一个重要的评价指标是人的印象。即,观察者对加工出的工件的表面进行观察,是否将其外表判定为“合格”。一般情况下,基于印象的评价指标因观察者不同而使判断基准不同,因此难以进行量化。即,以往人在什么时候判断为“合格”未必明确。
作为对基于印象的评价指标进行量化的尝试,想到了将从激光显微镜等测量器获得的数值评价项目(例如,表面粗糙度Sa)与人的印象的评价结果进行比较。但是,众所周知两者不能简单地进行比较。例如,以往可以掌握当什么样的数值评价项目发生变动时在工件的表面出现什么样的性质变化这样的趋势。但是,在人的印象好恶中,各种数值的评价项目错综复杂,它们的相关关系不明确。此外,即使在观察相同表面的情况下,印象因观察者不同而不同的情况也不少。结果,加工完成的工件的加工面质量是否良好被观察者的感觉所左右。难以判断工件是否保持固定品质。此外,在从第三方观察时,还存在难以获知品质评价基准这样的问题。
发明内容
本发明是为了解决这样的问题而完成的,其目的在于提供一种加工面质量评价装置,能够对合格工件的评价指标进行量化。
本发明涉及的加工面质量评价装置的第一方式是,根据检查装置对工件的加工面质量的检查结果,判定观察者对所述工件的加工面质量的评价结果,其中,所述加工面质量评价装置具有:机器学习装置,其学习与所述检查装置的检查结果对应的、观察者对所述工件的加工面质量的评价结果。并且,所述机器学习装置具有:状态观测部,其将所述检查装置对工件的加工面质量的检查结果作为状态变量来进行观测;标签数据取得部,其取得标签数据,该标签数据表示所述观察者对所述工件的加工面质量的评价结果;以及学习部,其将所述状态变量与所述标签数据关联起来进行学习。
可以是,所述学习部具有:误差计算部,其计算根据所述状态变量来判定所述观察者对所述工件的加工面质量的评价结果的相关性模型与从预先准备的教师数据中识别的相关性特征之间的误差;以及模型更新部,其更新所述相关性模型以缩小所述误差。
可以是,所述学习部通过多层构造来运算所述状态变量和所述标签数据。
可以是,所述加工面质量评价装置还具有:判定输出部,其输出根据所述学习部的学习结果而判定出的所述观察者对所述工件的加工面质量的评价结果。可以是,在由所述学习部判定出的所述观察者对所述工件的加工面质量的评价结果超过预先设定的阈值时,所述判定输出部输出警告。
可以是,所述检查装置对工件的加工面质量的检查结果是利用所述工件的表面粗糙度Sa、表面的最大高度Sv、表面纹理的纵横比Str、峰度Sku、偏斜度Ssk、界面扩展面积比Sdr、光反射率、图像的特征中的至少一个而获得的值。
可以是,为了进行由所述学习部判定所述观察者对所述工件的加工面质量的评价结果,使所述检查装置进行预先设定的规定动作。可以是,自动地或者通过作业员的请求来进行用于进行所述判定的预先设定的规定动作。
可以是,所述加工面质量评价装置构成为所述检查装置的一部分。
可以是,所述加工面质量评价装置构成为经由网络来管理多个所述检查装置的管理装置的一部分。
可以是,本发明的涉及的加工面质量评价装置的第二方式是,根据检查装置对工件的加工面质量的检查结果,判定观察者对所述工件的加工面质量的评价结果,其中,所述加工面质量评价装置具有:模型,其表示所述检查装置对工件的加工面质量的检查结果与标签数据的相关性,该标签数据表示所述观察者对所述工件的加工面质量的评价结果;以及判定输出部,其输出根据所述模型而判定出的所述观察者对所述工件的加工面质量的评价结果。
通过本发明能够提供一种加工面质量评价装置,其可以对合格工件的评价指标进行量化。
附图说明
图1是本发明的第一实施方式涉及的加工面质量评价装置的概略功能框图。
图2是表示加工面质量评价装置的一个方式的概略功能框图。
图3A是说明神经元的图。
图3B是说明神经网络的图。
图4是本发明的第二实施方式涉及的加工面质量评价装置的概略功能框图。
图5是表示加工面质量评价系统的一个方式的概略功能框图。
图6是表示加工面质量评价系统的其他方式的概略功能框图。
图7是表示具有管理装置的加工面质量评价系统的一个方式的概略功能框图。
具体实施方式
以下,表示作为本发明的一个实施方式的加工面质量评价装置的结构例。其中,本发明的加工面质量评价装置的结构并非限定于下述示例,只要能够实现本发明的目的,可以采用任何结构。
图1是表示作为本发明的实施方式的加工面质量评价装置10的概略结构的功能框图。
加工面质量评价装置10例如可以安装为通过有线/无线的通信线路以能够数据通信的方式与加工完成工件的检查装置(未图示)连接的计算机。在检查装置中例如存在加工面解析装置(典型来说是激光显微镜)、加工面图像拍摄装置、光反射率测定装置等,但是也并不限定于此。加工面质量评价装置10具有:前处理部12,其对从检查装置取得的数据实施前处理;机器学习装置20,其包含用于通过所谓的机器学习对加工面质量的评价进行自我学习的软件(学习算法等)和硬件(计算机的CPU等)。该机器学习装置20要学习的加工面质量评价相当于表示检查装置的检查结果(从检查装置取得的数值数据)与观察者对取得了该检查结果的工件的评价结果(加工面质量的好坏相关的印象评价的结果)之间的相关性的模型构造。
如图1功能块所示,加工面质量评价装置10具有的机器学习装置20具有:状态观测部22,其将表示从检查装置(未图示)取得的工件的检查结果的数值数据作为表示环境的当前状态的状态变量S来进行观测;标签数据取得部24,其取得表示观察者对该工件的评价结果的标签数据L;学习部26,其将标签数据L与状态变量S关联起来进行学习。
前处理部12例如可以构成为计算机的CPU的一个功能,此外,也可以构成为使计算机的CPU发挥功能的软件。前处理部12对从检查装置或者安装于检查装置的传感器获得的数据、利用或者变换该数据获得的数据等进行前处理,将前处理后的数据输出给状态观测部22。此外,前处理部12从输入部(未图示)取得观察者对工件的评价结果,换言之加工面质量印象的评价结果而进行必要的前处理,将进行了该前处理而得的数据输出给标签数据取得部24。
在为了获得状态变量S而由前处理部12进行的前处理中,例如包含用于对表面粗糙度Sa、表面的最大高度Sv、表面纹理的纵横比Str、峰度Sku、偏斜度Ssk、界面扩展面积比Sdr、加工完成工件的光反射率、加工面图像的特征等进行评价的各种公知的处理。此外,在为了获得标签数据L而由前处理部12进行的前处理中,例如包括对记录了观察者的评价结果的文件的输入和解析、对从键盘等接口直接输入的观察者的评价结果的取得和解析等。
状态观测部22例如可以构成为计算机的CPU的一个功能,此外,也可以构成为用于使计算机的CPU发挥功能的软件。状态观测部22观测的状态变量S即数值数据例如可以使用表示加工面的检查结果的数据,该数据包括从检查装置或者附设于检查装置的传感器获得的数据、通过前处理部12对利用或变换该数据而获得的数据进行了处理而得的数据。
此外,在状态变量S中可以包含表示实施后述的标签数据L有关的评价的观察者更具体来说担当者、从业者等的识别数据。由此,可以针对每一个观察者独立学习检查装置的加工面质量的检查结果与观察者印象的加工面质量的评价结果之间的相关性。因此,即使因观察者不同而导致加工面质量的印象评价基准不同时,也可以输出与检查装置的加工面质量的检查结果对应的合适的观察者印象的加工面质量的评价结果。另外,如果状态变量S不包含表示观察者的识别数据,则获得不区分观察者的一般性评价结果。
此外,在状态变量S中还可以包含表示对后述的标签数据L有关的评价的对象部位,即加工完成工件的哪个部位的加工面质量进行评价的识别数据。由此,可以对每一个对象部位独立学习检查装置的加工面质量的检查结果与观察者印象的加工面质量的评价结果之间的相关性。因此,即使因对象部位不同而导致加工面质量的印象评价基准不同时,也可以输出与检查装置的加工面质量的检查结果对应的合适的观察者印象的加工面质量的评价结果。
标签数据取得部24例如可以构成为计算机的CPU的一个功能,此外,还可以构成为用于使计算机的CPU发挥功能的软件。在标签数据取得部24取得的标签数据L中,例如可以使用前处理部12对申报数据进行了前处理之后的数据,该申报数据作为由观察者进行了对加工后工件的评价获得的结果而被提供给加工面质量评价装置10。标签数据L表示针对状态变量S下的加工面质量的观察者印象的评价结果。观察者印象的评价结果可以是表示加工完成工件是否是合格品的两个值,也可以例如像等级1-10等那样是多个值。
这样,在加工面质量评价装置10具有的机器学习装置20进行学习的期间、环境下实施:机床实施加工、检查装置测量表示加工完成工件的加工面质量的一个方面的评价项目、观察者对加工面质量进行判定。
学习部26例如可以构成为计算机的CPU的一个功能,此外,也可以构成为用于使计算机的CPU发挥功能的软件。学习部26按照统称为机器学习的任意学习算法,学习加工面质量的评价。学习部26可以反复执行基于数据集合的学习,该数据集合包含加工完成工件的加工面质量有关的状态变量S和标签数据L。
通过重复这样的学习周期,学习部26可以自动识别暗示了检查装置的检查结果(从检查装置取得的数值数据)与观察者对获得该检查结果的工件的评价结果(加工面质量的好坏有关的印象评价的结果)之间的相关性的特征。在开始学习算法时,检查装置的检查结果与观察者对该工件的评价结果之间的相关性实质上是未知的,但是学习部26随着学习推进逐渐识别表示相关性的特征而解释其相关性。检查装置的检查结果与观察者对该工件的评价结果之间的相关性若解释到可信水平的话,可以使用学习部26反复输出的学习结果来进行行为选择(也就是说决策),所谓行为选择是针对当前的检查结果应该怎样判定作为人印象的评价结果。也就是说,学习部26可以随着学习算法的进行,使检查装置的检查结果与针对当前的检查结果应当怎样判定作为观察者印象的评价结果这样的行为之间的相关性,逐渐接近最佳解。
如上所述,在加工面质量评价装置10具有的机器学习装置20中,学习部26使用状态观测部22观测到的状态变量S与标签数据取得部24取得的标签数据L按照机器学习算法,学习与检查装置的检查结果对应的作为观察者印象的评价结果。状态变量S由检查装置的检查结果这样的、难以受干扰影响的数据构成,此外根据观察者的申报数据而唯一地求出标签数据L。因此,根据加工面质量评价装置10具有的机器学习装置20,通过使用学习部26的学习结果,可以不进行运算和估算而自动且准确地进行与检查装置的检查结果对应的作为观察者印象的评价结果的判定。
如果可以不进行运算和估算而自动进行作为观察者印象的评价结果的判定,则可以在使用机床的工件加工后只在检查装置中进行检查,就可以迅速推定该工件有关的作为观察者印象的评价结果。因此,可以缩短作为观察者印象的加工面质量的评价结果的判定所花费的时间。此外,作业员能够以加工面质量评价装置10判定出的内容为基础来判断加工完成工件是否合格,或容易进行用于改善加工面质量的调整。
作为加工面质量评价装置10具有的机器学习装置20的一个变形例,学习部26可以使用对多个检查装置的每一个而获得的状态变量S和标签数据L,学习与这些检查装置各自的检查结果对应的作为观察者印象的加工面质量的评价结果。根据该结构,可以增加包含固定时间获得的状态变量S与标签数据L在内的数据集合的量,因此可以将更多样的数据集合作为输入,提升与检查装置的检查结果对应的作为观察者印象的加工面质量的评价结果的学习速度和可靠性。
在具有上述结构的机器学习装置20中,不对学习部26执行的学习算法进行特别限定,作为机器学习可以采用公知的学习算法。图2是图1所示的加工面质量评价装置10的一个方式,表示作为学习算法的一例而具有执行监督学习的学习部26的结构。
监督学习是如下方法:预先大量地给予输入和与其对应的输出的已知数据组(称为教师数据),通过从这些教师数据识别暗示了输入与输出之间的相关性的特征,来学习用于推定针对新输入所要求的输出的相关性模型(在本申请的机器学习装置20的情况下,与检查装置的检查结果对应的作为观察者印象的加工面质量的评价结果)。
在图2所示的加工面质量评价装置10具有的机器学习装置20中,学习部26具有:误差计算部32,其计算从状态变量S导出作为观察者印象的加工面质量评价结果的相关性模型M与从预先准备的教师数据T中识别的相关性特征之间的误差E;模型更新部34,其更新相关性模型M以缩小该误差E。学习部26通过模型更新部34重复更新相关性模型M来学习与检查装置的检查结果对应的作为观察者印象的加工面质量评价结果。
相关性模型M可以由回归分析、强化学习、深层学习等来构筑。相关性模型M的初始值例如可以设为简单表现了状态变量S与作为观察者印象的加工面质量评价结果之间的相关性,在开始监督学习前被给予到学习部26。教师数据T例如可以由记录与过去的检查装置的检查结果对应的作为观察者印象的加工面质量评价结果而累积的经验值(检查装置的检查结果与作为观察者印象的加工面质量评价结果的已知的数据集)来构成,在开始监督学习前被给予到学习部26。误差计算部32从给予到学习部26的大量的教师数据T中识别暗示了检查装置的检查结果与作为观察者印象的加工面质量评价结果之间的相关性的相关性特征,求出该相关性特性与当前状态下的状态变量S所对应的相关性模型M之间的误差E。模型更新部34例如按照预先设定的更新规则,向误差E减小的方向更新相关性模型M。
在下一学习周期中,误差计算部32按照更新后的相关性模型M使用通过检查装置进行的检查而获得的状态变量S和观察者的评价结果即标签数据L,针对与这些状态变量S和标签数据L对应的相关性模型M求出误差E,模型更新部34再次更新相关性模型M。这样,未知环境的当前状态(检查装置的检查结果)和与其对应的状态的判定(作为观察者印象的评价结果)之间的相关性逐渐明确。也就是说,通过更新相关性模型M,使得检查装置的检查结果与作为观察者印象的评价结果之间的关系逐渐接近最佳解。
在进行上述的监督学习时,例如可以使用神经网络。图3A示意性地表示神经元的模型。图3B示意性地表示将图3A所示的神经元组合而构成的三层神经网络的模型。例如由实现模拟了神经元模型的运算装置和存储装置等来构成神经网络。
图3A所示的神经元输出针对多个输入x(这里作为一个示例,输入x1~x3)的结果y。对各输入x1~x3乘以与该输入x对应的权值w(w1~w3)。由此,神经元输出由如下数学式(1)表现的输出y。另外,在数学式(1)中,输入x、输出y以及权值w都是向量。此外,θ是偏置(bias),fk是激活函数。
图3B所示的三层神经网络从左侧输入多个输入x(这里作为一例,输入x1~x3),从右侧输出结果y(这里作为一例,结果y1~y3)。在图示的示例中,输入x1、x2、x3分别乘以对应的权值(统一标记为w1),各输入x1、x2、x3输入到三个神经元N11、N12、N13的每一个。
在图3B中,将神经元N11~N13各自的输出统一标记为z1。z1可以看作是提取出输入向量的特征量而得的特征向量。在图示的示例中,特征向量z1分别乘以对应的权值(统一标记为w2),各特征向量z1输入到两个神经元N21、N22的每一个。特征向量z1表示权值w1与权值w2之间的特征。
在图3B中,将神经元N21~N22各自的输出统一标记为z2。z2可以看作是提取出特征向量z1的特征量而得的特征向量。在图示的示例中,特征向量z2分别乘以对应的权值(统一标记为w3),各特征向量z2输入到三个神经元N31、N32、N33的每一个。特征向量z2表示权值w2与权值w3之间的特征。最后,神经元N31~N33分别输出结果y1~y3。
在加工面质量评价装置10具有的机器学习装置20中,将状态变量S设为输入x,学习部26进行按照上述神经网络的多层构造的运算,由此,可以输出作为人印象的加工面质量的评价结果(结果y)。另外,在神经网络的动作模式中有学习模式和判定模式,例如,在学习模式中使用学习数据集来学习权值w,在判定模式中使用学习到的权值w来进行作为人印象的加工面质量的评价结果的判定。另外,在判定模式中也可以进行检测、分类、推论等。
上述加工面质量评价装置10的结构可以记述为供计算机的CPU执行的机器学习方法(或者软件)。该机器学习方法是学习与检查装置的检查结果对应的作为人印象的加工面质量的评价结果的机器学习方法,具有由计算机的CPU执行的如下步骤:
·作为表示检查装置的检查结果的状态变量S而进行观测的步骤、
·取得表示作为人印象的加工面质量评价结果的标签数据L的步骤、
·使用状态变量S与标签数据L,将检查装置的检查结果与作为人印象的加工面质量的评价结果关联起来进行学习的步骤。
图4表示第二实施方式涉及的加工面质量评价装置40。
加工面质量评价装置40具有:前处理部42、机器学习装置50、状态数据取得部46。状态数据取得部46从检查装置、附设于检查装置的传感器、作业员进行的适当的数据输入中取得输入到前处理部42的数据作为状态数据S0。
加工面质量评价装置40具有的机器学习装置50除了用于通过机器学习来自学与检查装置的检查结果对应的作为观察者印象的评价结果的软件(学习算法等)和硬件(计算机的CPU等)之外,还包含用于将学习部26根据检查装置的检查结果而判定出的观察者印象的评价结果输出为对显示装置(未图示)的文字显示、对扬声器(未图示)的声音或者音的输出、警示灯(未图示)的输出、或者它们的组合的软件(学习算法等)和硬件(计算机的CPU等)。该机器学习装置50可以具有一个共用的CPU执行学习算法、运算算法等所有软件的结构。
判定输出部52例如可以构成为计算机的CPU的一个功能。或者判定输出部52例如可以构成为用于使计算机的CPU发挥功能的软件。判定输出部52输出指令以便将学习部26根据检查装置的检查结果而判定出的观察者印象的评价结果作为文字的显示、声音或者音的输出、警示灯的输出、或者它们的组合来通知作业员。判定输出部52可以对加工面质量评价装置40具有的显示装置等输出通知指令,还可以对检查装置具有的显示装置等输出通知指令。
具有上述结构的加工面质量评价装置40具备的机器学习装置50获得与所述的图1和图2所示的机器学习装置20同等的效果。特别是图4所示的机器学习装置50可以通过判定输出部52的输出使得环境状态发生变化。另一方面,在图1和图2所示的机器学习装置20中可以向外部装置(例如机床的控制装置)要求相当于用于使学习部26的学习结果反映给环境的判定输出部的功能。
作为加工面质量评价装置40的一个变形例,判定输出部52针对学习部26根据检查装置的检查结果判定出的观察者的评价结果的每一个设置预先设定的规定阈值,在学习部26根据检查装置的检查结果判定出的观察者的评价结果低于阈值时,输出作为警告的信息。
图5表示具有检查装置60的一个实施方式涉及的加工面质量评价系统70。加工面质量评价系统70具有进行同样的内容和精度检查的多个检查装置60、60’、将这些检查装置60、60’彼此连接的网络72,多个检查装置60、60’中的至少一个构成为具有上述加工面质量评价装置40的检查装置60。此外加工面质量评价系统70可以包含不具有加工面质量评价装置40的检查装置60’。检查装置60、60’具有为了检查加工完成工件的加工面质量所需的一般性结构。
关于具有上述结构的加工面质量评价系统70,多个检查装置60、60’中具有加工面质量评价装置40的检查装置60使用学习部26的学习结果,可以不进行运算和估算而自动且准确地求出与检查装置60的检查结果对应的观察者印象的评价结果。此外,至少一个检查装置60的加工面质量评价装置40根据对其他多个检查装置60、60’的每一个而获得的状态变量S和标签数据L,学习所有检查装置60、60’共用的检查装置60、60’的检查结果所对应的观察者印象的评价结果,所有检查装置60、60’可以共享该学习结果。因此,根据加工面质量评价系统70,可以将更多样的数据集合(包含状态变量S和标签数据L)作为输入,提升与检查装置的检查结果对应的观察者印象的评价结果的学习速度和可靠性。
图6表示具有检查装置60’的其他实施方式涉及的加工面质量评价系统70’。
加工面质量评价系统70’具有加工面质量评价装置40(或者10)、可以通过相同的内容和精度来实施检查的多个检查装置60’、将这些检查装置60’与加工面质量评价装置40(或者10)彼此连接的网络72。
具有上述结构的加工面质量评价系统70’,根据加工面质量评价装置40(或者10)对多个检查装置60’的每一个而获得的状态变量S和标签数据L,学习所有检查装置60’共用的检查装置的检查结果所对应的观察者印象的评价结果,使用该学习结果,可以不进行运算和估算而自动且准确地求出与检查装置的检查结果对应的观察者印象的评价结果。
加工面质量评价系统70’可以具有加工面质量评价装置40(或者10)存在于在网络72中准备的云服务器的结构。根据该结构,不论多个检查装置60’的每一个所在的场所和时期,都可以在需要时将所需数量的检查装置60’与加工面质量评价装置40(或者10)连接。
从事于加工面质量评价系统70、70’的作业员可以在基于加工面质量评价装置40(或者10)的学习开始后的适当时期,判断加工面质量评价装置40(或者10)执行的检查装置的检查结果所对应的观察者印象的评价结果的学习到达度是否达到要求水平。
作为加工面质量评价系统70、70’的一个变形例,还能够安装成将加工面质量评价装置40组入到管理检查装置60、60’的管理装置80。如图7所示,多个检查装置60、60’经由网络72与管理装置80连接,管理装置80经由网络72收集与各检查装置60、60’的运转状态和检查结果相关的数据。管理装置80受理来自任意检查装置60、60’的信息,指示加工面质量评价装置40判定该检查装置60、60’的检查结果,将该结果输出给管理装置80具有的显示装置等,或对判定对象的检查装置60、60’输出结果。通过这样构成,可以通过管理装置80来集中管理检查装置60、60’的判定结果等,此外,当再学习时,由于可以从多个检查装置60、60’收集作为样本的状态变量,因此存在容易较多地收集再学习用的数据这样的优点。
以上,对本发明的实施方式进行了说明,但是本发明不仅局限于上述实施方式的示例,可以通过增加适当的变更而以各种方式来进行实施。
例如,机器学习装置20、50执行的学习算法、机器学习装置50执行的运算算法、加工面质量评价装置10、40执行的控制算法等不局限于上述算法,可以采用各种算法。
此外,在上述实施方式中构成为将前处理部12设置于加工面质量评价装置40(或者加工面质量评价装置10)上,但也可以将前处理部12设置于检查装置上。此时,可以通过加工面质量评价装置40(或者加工面质量评价装置10)和检查装置中的某一个、或者两个来执行前处理,也可以鉴于处理能力和通信速度适当设定要处理的场所。
此外,在上述实施方式中主要说明了学习部26利用监督学习的算法的情况,但是本发明并不局限于此。例如,状态观测部22可以仅将由观察者判断为合格的工件相关的检查装置的检查结果输入为状态变量S,学习部26通过无监督学习算法形成表示判断为合格的工件的检查结果特征的集群。此时,学习部26通过判定新作出的加工完成工件有关的检查装置的检查结果是否属于上述集群,就可以推定该加工完成工件有关的观察者印象的评价结果。例如,可通过距离集群中心的阈值判定等来判定某个检查结果是否属于集群。
此时,例如可以按观察者或对象部位而独立进行学习处理,即可以对每一个观察者或对象部位分别使用不同的学习部26进行学习。由此,对每一个观察者或对象部位形成不同的集群,因此,可以对每一个观察者或对象部位独立学习检查装置的加工面质量检测结果与观察者印象的加工面质量评价结果之间的相关性。因此,即使在因观察者或对象部位不同而导致加工面质量的印象评价基准不同时,也可以输出与检查装置的加工面质量的检查结果对应的合适的观察者印象的加工面质量的评价结果。
Claims (11)
1.一种加工面质量评价装置,其根据检查装置对工件的加工面质量的检查结果,判定观察者对所述工件的加工面质量的评价结果,其特征在于,
所述加工面质量评价装置具有:机器学习装置,其学习与所述检查装置的检查结果对应的、观察者对所述工件的加工面质量的评价结果,
所述机器学习装置具有:
状态观测部,其将所述检查装置对工件的加工面质量的检查结果作为状态变量来进行观测;
标签数据取得部,其取得标签数据,该标签数据表示所述观察者对所述工件的加工面质量的评价结果;以及
学习部,其将所述状态变量与所述标签数据关联起来进行学习。
2.根据权利要求1所述的加工面质量评价装置,其特征在于,
所述学习部具有:
误差计算部,其计算根据所述状态变量来判定所述观察者对所述工件的加工面质量的评价结果的相关性模型与从预先准备的教师数据中识别的相关性特征之间的误差;以及
模型更新部,其更新所述相关性模型以缩小所述误差。
3.根据权利要求1所述的加工面质量评价装置,其特征在于,
所述学习部通过多层构造来运算所述状态变量和所述标签数据。
4.根据权利要求1所述的加工面质量评价装置,其特征在于,
所述加工面质量评价装置还具有:判定输出部,其输出根据所述学习部的学习结果而判定出的所述观察者对所述工件的加工面质量的评价结果。
5.根据权利要求4所述的加工面质量评价装置,其特征在于,
在由所述学习部判定出的所述观察者对所述工件的加工面质量的评价结果超过预先设定的阈值时,所述判定输出部输出警告。
6.根据权利要求1所述的加工面质量评价装置,其特征在于,
所述检查装置对工件的加工面质量的检查结果是利用所述工件的表面粗糙度Sa、表面的最大高度Sv、表面纹理的纵横比Str、峰度Sku、偏斜度Ssk、界面扩展面积比Sdr、光反射率、图像的特征中的至少一个而获得的值。
7.根据权利要求1所述的加工面质量评价装置,其特征在于,
为了进行由所述学习部判定所述观察者对所述工件的加工面质量的评价结果,使所述检查装置进行预先设定的规定动作。
8.根据权利要求7所述的加工面质量评价装置,其特征在于,
自动地或者通过作业员的请求来进行用于进行所述判定的预先设定的规定动作。
9.根据权利要求1所述的加工面质量评价装置,其特征在于,
所述加工面质量评价装置构成为所述检查装置的一部分。
10.根据权利要求1所述的加工面质量评价装置,其特征在于,
所述加工面质量评价装置构成为经由网络来管理多个所述检查装置的管理装置的一部分。
11.一种加工面质量评价装置,其根据检查装置对工件的加工面质量的检查结果,判定观察者对所述工件的加工面质量的评价结果,其特征在于,
所述加工面质量评价装置具有:
模型,其表示所述检查装置对工件的加工面质量的检查结果与标签数据的相关性,该标签数据表示所述观察者对所述工件的加工面质量的评价结果;以及
判定输出部,其输出根据所述模型而判定出的所述观察者对所述工件的加工面质量的评价结果。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2017084040A JP6560707B2 (ja) | 2017-04-20 | 2017-04-20 | 加工面品位評価装置 |
JP2017-084040 | 2017-04-20 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108734386A true CN108734386A (zh) | 2018-11-02 |
Family
ID=63715018
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810359186.8A Pending CN108734386A (zh) | 2017-04-20 | 2018-04-20 | 加工面质量评价装置 |
Country Status (4)
Country | Link |
---|---|
US (1) | US20180307198A1 (zh) |
JP (1) | JP6560707B2 (zh) |
CN (1) | CN108734386A (zh) |
DE (1) | DE102018108780B4 (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114025912A (zh) * | 2019-06-28 | 2022-02-08 | 三菱电机株式会社 | 加工条件搜索装置以及加工条件搜索方法 |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP6777696B2 (ja) * | 2018-08-31 | 2020-10-28 | ファナック株式会社 | 加工環境推定装置 |
JP2020082304A (ja) * | 2018-11-29 | 2020-06-04 | 三菱電機株式会社 | びびり振動検知装置、びびり振動検知方法、びびり振動検知プログラム、及びびびり振動抑制装置 |
JP6630912B1 (ja) * | 2019-01-14 | 2020-01-15 | 株式会社デンケン | 検査装置及び検査方法 |
WO2020183579A1 (ja) * | 2019-03-11 | 2020-09-17 | 三菱電機株式会社 | 加工面性状評価装置および加工面性状評価方法 |
DE102019207744A1 (de) * | 2019-05-27 | 2020-12-03 | Robert Bosch Gmbh | Verfahren zum Ermitteln einer Zustandsinformation betreffend eine Bandschleifmaschine mittels eines maschinellen Lernsystems |
WO2021011385A1 (en) * | 2019-07-12 | 2021-01-21 | Fatigue Technology, Inc. | Machine-learning-based assessment for engineered residual stress processing |
CN110400335B (zh) * | 2019-07-25 | 2022-05-24 | 广西科技大学 | 基于深度学习的纹理图像质量估计方法 |
US11761930B2 (en) | 2020-03-06 | 2023-09-19 | Dalian University Of Technology | Prediction method of part surface roughness and tool wear based on multi-task learning |
CN111366123B (zh) * | 2020-03-06 | 2021-03-26 | 大连理工大学 | 一种基于多任务学习的零件表面粗糙度和刀具磨损预测方法 |
EP3913448B1 (de) * | 2020-05-19 | 2022-07-06 | Carl Zeiss Industrielle Messtechnik GmbH | Verfahren und anordnung zur vermessung von werkstücken gleichen typs |
CN115989464A (zh) * | 2020-08-28 | 2023-04-18 | 西门子公司 | 利用人工智能的表面处理过程中的故障预测 |
US11543809B2 (en) * | 2021-05-28 | 2023-01-03 | Textron Innovations Inc. | Automated inspection program generation |
WO2023012964A1 (ja) * | 2021-08-05 | 2023-02-09 | ファナック株式会社 | 機械学習装置、加工面品位を評価するシステム、及び機械学習用プログラム |
IT202100025514A1 (it) * | 2021-10-07 | 2023-04-07 | Innoida S R L | Piattaforma per l’automatizzazione dei processi di controllo qualita’ in ambito manifatturiero |
IT202100025502A1 (it) * | 2021-10-07 | 2023-04-07 | Innoida S R L | Metodo di automatizzazione dei processi di controllo qualita’ in ambito manifatturiero |
US20230417546A1 (en) * | 2022-06-24 | 2023-12-28 | University Of Pittsburgh - Of The Commonwealth System Of Higher Education | Devices, systems and method for analysis and characterization of surface topography |
WO2024069932A1 (ja) * | 2022-09-30 | 2024-04-04 | ファナック株式会社 | 加工面評価装置、加工面評価システム、及び加工面評価方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05332754A (ja) * | 1992-06-02 | 1993-12-14 | Nachi Fujikoshi Corp | 検査装置の検査方法 |
CN101710081A (zh) * | 2009-12-07 | 2010-05-19 | 杭州电子科技大学 | 基于图像纹理与分形维数的机械零件表面缺陷检测方法 |
CN103234749A (zh) * | 2013-04-09 | 2013-08-07 | 杭州电子科技大学 | 基于人工神经网络的汽车离合器操控舒适度评价方法 |
CN103426173A (zh) * | 2013-08-12 | 2013-12-04 | 浪潮电子信息产业股份有限公司 | 一种立体图像质量的客观评价方法 |
CN105051631A (zh) * | 2013-03-29 | 2015-11-11 | 株式会社牧野铣床制作所 | 工件的加工面评价方法、控制装置以及工作机械 |
CN106408035A (zh) * | 2016-10-31 | 2017-02-15 | 东南大学 | 基于人力触觉感知特性的力触觉再现真实感客观评价方法 |
CN106557075A (zh) * | 2015-09-28 | 2017-04-05 | 发那科株式会社 | 生成最佳的加速/减速的机床 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5859751A (ja) * | 1981-10-06 | 1983-04-08 | Mitsubishi Electric Corp | 検査装置 |
JP2002365025A (ja) * | 2001-06-05 | 2002-12-18 | Daido Steel Co Ltd | 研磨面の検出判定方法 |
JP4723991B2 (ja) * | 2005-12-09 | 2011-07-13 | オークマ株式会社 | 加工面方向を考慮した送り軸加減速機能を有する数値制御装置 |
DE102007020240A1 (de) | 2007-04-24 | 2008-10-30 | Sms Demag Ag | Verfahren zur Erkennung und Klassifizierung von Oberflächenfehlern auf stranggegossenen Brammen |
JP6481263B2 (ja) * | 2014-06-05 | 2019-03-13 | 株式会社サタケ | 粒状物外観品位判別装置における品位判別基準の作成方法 |
JP2016142601A (ja) * | 2015-01-30 | 2016-08-08 | 前田建設工業株式会社 | 施工品質評価プログラム、施工品質評価方法及び施工品質評価装置 |
-
2017
- 2017-04-20 JP JP2017084040A patent/JP6560707B2/ja active Active
-
2018
- 2018-04-13 DE DE102018108780.2A patent/DE102018108780B4/de active Active
- 2018-04-19 US US15/956,894 patent/US20180307198A1/en not_active Abandoned
- 2018-04-20 CN CN201810359186.8A patent/CN108734386A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH05332754A (ja) * | 1992-06-02 | 1993-12-14 | Nachi Fujikoshi Corp | 検査装置の検査方法 |
CN101710081A (zh) * | 2009-12-07 | 2010-05-19 | 杭州电子科技大学 | 基于图像纹理与分形维数的机械零件表面缺陷检测方法 |
CN105051631A (zh) * | 2013-03-29 | 2015-11-11 | 株式会社牧野铣床制作所 | 工件的加工面评价方法、控制装置以及工作机械 |
CN103234749A (zh) * | 2013-04-09 | 2013-08-07 | 杭州电子科技大学 | 基于人工神经网络的汽车离合器操控舒适度评价方法 |
CN103426173A (zh) * | 2013-08-12 | 2013-12-04 | 浪潮电子信息产业股份有限公司 | 一种立体图像质量的客观评价方法 |
CN106557075A (zh) * | 2015-09-28 | 2017-04-05 | 发那科株式会社 | 生成最佳的加速/减速的机床 |
CN106408035A (zh) * | 2016-10-31 | 2017-02-15 | 东南大学 | 基于人力触觉感知特性的力触觉再现真实感客观评价方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114025912A (zh) * | 2019-06-28 | 2022-02-08 | 三菱电机株式会社 | 加工条件搜索装置以及加工条件搜索方法 |
CN114025912B (zh) * | 2019-06-28 | 2023-08-15 | 三菱电机株式会社 | 加工条件搜索装置以及加工条件搜索方法 |
Also Published As
Publication number | Publication date |
---|---|
JP2018181218A (ja) | 2018-11-15 |
DE102018108780B4 (de) | 2021-11-25 |
US20180307198A1 (en) | 2018-10-25 |
JP6560707B2 (ja) | 2019-08-14 |
DE102018108780A1 (de) | 2018-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108734386A (zh) | 加工面质量评价装置 | |
CN108733027A (zh) | 加工不良原因推定装置 | |
US10562217B2 (en) | Abrasion amount estimation device and abrasion amount estimation method for check valve of injection molding machine | |
JP2018156151A (ja) | 異常検知装置及び機械学習装置 | |
CN108573310A (zh) | 精加工量预测装置以及机器学习装置 | |
CN108121295A (zh) | 预测模型建立方法及其相关预测方法与计算机程序产品 | |
EP3499375B1 (en) | Predicting quality of an information system using system dynamics modelling and machine learning | |
CN108664690A (zh) | 基于深度信念网络的多应力下长寿命电子器件可靠性寿命评估方法 | |
CN109692821A (zh) | 分拣系统 | |
CN108248608A (zh) | 用于评估驾驶系统的舒适度的方法和装置 | |
CN109382825A (zh) | 控制装置以及学习装置 | |
CN112083244B (zh) | 综合化航空电子设备故障智能诊断系统 | |
JP6499737B2 (ja) | テレスコピックカバーの異常発生推定装置及び異常発生推定方法 | |
Chen et al. | Automated function generation of symptom parameters and application to fault diagnosis of machinery under variable operating conditions | |
CN108491931B (zh) | 一种基于机器学习提高无损检测精度的方法 | |
Schmitt et al. | Metrologically interpretable feature extraction for industrial machine vision using generative deep learning | |
Yu et al. | LRProb control chart based on logistic regression for monitoring mean shifts of auto-correlated manufacturing processes | |
CN108803690A (zh) | 数值控制装置 | |
TWI677844B (zh) | 具輔助判斷功能之產品測試系統及應用於其上的產品測試輔助方法 | |
Guh | Real-time recognition of control chart patterns in autocorrelated processes using a learning vector quantization network-based approach | |
CN113312696A (zh) | 基于arima算法的桥梁健康状况动态预测告警方法 | |
CN104484277B (zh) | 基于监控点的过程数据动态分析装置及其使用方法 | |
JP2020071552A (ja) | 判定装置及び判定方法 | |
CN109165740A (zh) | 基于区间层次分析的产品子系统的故障时间计算方法 | |
CN115618709A (zh) | 周期性摩擦磨损下纺织品表面质量数字孪生模型建立方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181102 |